Solo ácido lidera fatores usados por inteligência artificial para prever crescimento na Mata Atlântica

Por

2 de outubro de 2026

Solo ácido lidera fatores usados por inteligência artificial para prever crescimento na Mata Atlântica — Foto: acervo

Estudo publicado na Ecological Informatics comparou três modelos e apontou o Random Forest como o mais eficiente.

Antes de uma floresta ser manejada ou restaurada, é preciso estimar como as árvores vão crescer em cada trecho. Na Mata Atlântica brasileira, pesquisadores testaram três métodos de inteligência artificial para fazer essa previsão e encontraram um resultado central: entre as variáveis analisadas, a acidez do solo foi a característica que mais ajudou a explicar o crescimento das árvores.

O estudo foi publicado em 18 de março de 2024 na revista científica Ecological Informatics. A pesquisa reuniu autores da Universidade Federal de Lavras, Universidade Federal de Viçosa, Instituto Nacional de Pesquisas da Amazônia, Universidade Federal de Uberlândia e Instituto de Desenvolvimento Sustentável Mamirauá, entre outras instituições.

Como a inteligência artificial foi usada

Os cientistas não analisaram apenas uma medida do ambiente. Para construir os modelos, combinaram informações sobre as características da floresta, o histórico de uso da terra, a paisagem ao redor, o solo e o clima. Esses dados foram usados para prever o crescimento das árvores em escala de parcela, uma área delimitada para observação e medição dentro da floresta.

Em termos simples, os algoritmos receberam diferentes combinações de informações ambientais e florestais e procuraram identificar padrões associados ao crescimento. O objetivo não era substituir o trabalho de campo, mas transformar os dados coletados em uma ferramenta capaz de apoiar estimativas para outros fragmentos com condições semelhantes.

Segundo o estudo publicado na revista Ecological Informatics, a pesquisa avaliou o crescimento de árvores em parcelas da Mata Atlântica brasileira com modelos de Redes Neurais Artificiais, Máquina de Vetores de Suporte e Random Forest.

Três caminhos para chegar à mesma previsão

As Redes Neurais Artificiais procuram reconhecer relações complexas entre variáveis, enquanto a Máquina de Vetores de Suporte organiza os dados para encontrar padrões de separação e previsão. O Random Forest, por sua vez, combina diversas árvores de decisão para chegar a uma estimativa final.

Essa comparação foi importante porque um modelo pode funcionar melhor do que outro dependendo do tipo de dado e da quantidade de relações envolvidas. Os autores também aplicaram uma técnica chamada Recursive Feature Elimination, ou eliminação recursiva de características, para retirar variáveis menos úteis e selecionar o conjunto de informações com maior poder de previsão.

O resultado foi favorável aos três métodos, considerados eficientes pelos pesquisadores. Ainda assim, o Random Forest apresentou desempenho superior aos demais na modelagem do crescimento florestal. A diferença foi avaliada pelo teste de Nemenyi, que indicou uma distância maior do que a diferença crítica calculada entre o Random Forest e as outras técnicas.

Por que a acidez do solo ganhou destaque

O achado não significa que a acidez determine sozinha o desenvolvimento das árvores. O que o modelo mostrou é que essa característica do solo foi a variável mais importante entre as utilizadas para representar os padrões de crescimento na pesquisa.

O solo interfere no ambiente em que as raízes se desenvolvem e se relaciona com a disponibilidade de elementos necessários às plantas. Quando essa condição é analisada junto de atributos da floresta e de variáveis climáticas, ela ajuda a diferenciar áreas com maior ou menor potencial de crescimento.

Os autores também identificaram a importância das características da própria floresta e do clima. Isso reforça que a dinâmica de um fragmento não depende de um único elemento. O crescimento observado é resultado da combinação entre o ambiente físico, a composição da vegetação, o histórico de ocupação da área e as condições climáticas.

Uma ferramenta para fragmentos florestais

A Mata Atlântica é formada por áreas de tamanhos e históricos diferentes, muitas delas separadas por cidades, estradas, pastagens e terrenos agrícolas. Essa fragmentação dificulta tratar todo o bioma como se tivesse as mesmas condições. Um modelo baseado em dados locais pode ajudar a reconhecer diferenças entre parcelas e a organizar prioridades de manejo.

Na prática, previsões de crescimento podem contribuir para planos de recuperação da biodiversidade, acompanhamento de áreas restauradas e definição de estratégias para reduzir os efeitos negativos da fragmentação. O estudo, porém, apresenta uma ferramenta de modelagem, não uma recomendação automática para qualquer floresta. A qualidade das previsões depende das informações usadas e da semelhança entre as áreas analisadas.

Essa cautela é especialmente importante na Amazônia. A participação do Instituto Nacional de Pesquisas da Amazônia e do Instituto de Desenvolvimento Sustentável Mamirauá aproxima o trabalho de instituições que também atuam em pesquisas florestais na região, mas os resultados apresentados foram produzidos para a Mata Atlântica. Portanto, não é possível transferir diretamente a conclusão sobre a acidez do solo para florestas do Amazonas, Acre, Amapá, Pará, Rondônia, Roraima, Tocantins ou Maranhão sem novos testes e dados específicos de cada ambiente.

O que o estudo permite afirmar

A principal contribuição da pesquisa é mostrar que técnicas de aprendizado de máquina podem ser úteis para representar o crescimento de árvores em fragmentos da Mata Atlântica. O Random Forest foi o método de melhor desempenho na comparação realizada, mas isso não o transforma em solução universal para todos os biomas ou situações.

Também permanece a necessidade de interpretar os resultados com base na ecologia da floresta. Um algoritmo pode apontar quais variáveis estão mais associadas a uma previsão, mas a relação estatística não prova, por si só, que uma variável isolada seja a causa direta do crescimento. Nesse caso, a acidez do solo aparece como o indicador mais relevante no conjunto de dados, enquanto os autores destacam a atuação conjunta de fatores edáficos, florestais e climáticos.

O artigo completo está disponível em acesso aberto no estudo publicado pela Ecological Informatics. A aplicação dos modelos em outros biomas, incluindo a Amazônia, dependerá de novas bases de dados, medições de campo e avaliações específicas para cada tipo de floresta.

Com informações da Universidade Federal de Lavras.

Mais Lidas da Semana